インテリジェントなウェアラブル アルゴリズムの開発 (DIWAH)

世界的に平均寿命は徐々に伸びており、これに伴い高齢者の割合が増加する人口動態の変化が見られます。 たとえば、スウェーデンでは、75 歳以上の人の数は今後 50 年間で 2 倍になり、その割合は 60% 以上増加します (スウェーデン統計、公開データ)。 これは、より多くの人が長生きし、彼らの世話をできる人が少なくなることを意味します。 この人口動態の変化に対応するための私たちの主要な社会的課題の 1 つは、その年齢層の健康と生活の質を維持するための戦略を開発し、彼らが必然的に病気になった場合に、可能な限り最善の方法で彼らをどのように治療すべきかということです。 前進するための 1 つの方法は、テクノロジーの進化がもたらした機会を活用することです。 実際、スウェーデンは、Vision2025 (www.ehalsa2025.se) で概説されているように、非常に野心的な目標を採用しています。 2025 年には、スウェーデンはデジタル化と eHealth によってもたらされる機会を利用して、人々がより容易に良好で平等な健康と福祉を達成し、自立と生活への参加を高めるための自分自身の資源を開発し強化することに世界で最も優れているでしょう。社会の。 しかし、デジタルテクノロジーだけではそのような目標を達成するのに十分ではなく、テクノロジーを利用して個人の健康を増進する他の戦略も存在する必要があります。 そのような戦略の 1 つは、生涯を通して健康的なレベルの身体活動を維持することです。 身体活動は、人間が自力で低コストで変えることができ、身体的および精神的健康に大きな利益を同時にもたらすことができる数少ない行動の 1 つです [1]。 そのために、人の習慣的な身体活動レベルを評価する能力（「その個人の身体活動が変動する仮定の平均値」として定義される）は、長い間、身体活動研究者の間で聖杯と考えられてきました。 研究者らは 30 年間、自由生活での身体活動を客観的に定量化するために加速度計を使用してきましたが、ここ 10 年でウェアラブルが一般の人々の間で非常に人気になりました (最大のブランドは Apple と Fitbit です)。 ウェアラブルとは、ここでは健康関連の変数を測定するセンサーが組み込まれた小型のポータブルデバイスと定義されており、体の姿勢、PAの強度、睡眠などの健康関連の行動に関する長期の高解像度データを収集できると主張しています[ 2]。 ウェアラブルは、心拍数、血圧 [3] などの心臓代謝システムに関連する重要な側面をキャプチャしたり、行動の変化をサポートしたりすることもできます [4]。 したがって、これらは 1 つのデバイスで幅広いツールを提供するため、「スイス アーミー ナイフ」とみなすことができます。 理論的には、ウェアラブルは、健康増進、病気の予防、治療において、科学的根拠に基づいたパーソナライズされた PA の作成に使用されるという大きな可能性を秘めています [2、5-8]。 ほとんどの研究グレードのモニターと比較して、市販のウェアラブルには、医療システムでの使用にとって魅力的ないくつかの利点があります。 これらには、PA および関連する健康結果の評価に関連する複数のセンサーが含まれており、特に動きの生体力学的な側面を検出する加速度計と、心拍数などの動きに対する生理学的反応を検出する光学センサーが含まれています。 研究グレードのモニターと比較した市販モニターのさらなる利点は、長時間着用できるように設計されているため、個人の身体活動レベル、特に最も活動的でない人の身体活動レベルを評価するさらに良い機会が得られることです[9、10]。 しかし、過去 10 年間で、その有効性や信頼性を評価するための確立されたフレームワークがないまま、さまざまなウェアラブルやデータ処理方法が爆発的に増加しました [11]。 これは、実際の使用方法を反映していない堅牢でないデバイス開発および評価方法によって引き起こされ、大きな混乱を引き起こしています。 さらに、異なるブランド内および異なるブランド間での身体活動の概要推定値の相違により、データをプールしたり、異なる研究間で直接比較したりする機会が妨げられています。 ウェアラブルには、たとえ健康な人の間でも使用に適さないその他の制限があり、ウェアラブルは主にフィットネス市場向けに設計されており、医療システム内での使用を想定していないこと、透明性のある方法で評価されておらず、正確に評価されていないことが挙げられます。運動パターンが変化した個人（高齢者など）の身体活動を捕捉します[12]。 ほとんどのウェアラブル機器のハードウェアは類似していますが、センサーからの信号を異なる解釈可能な結果 (ステップなど) に変換するアルゴリズムは独自のものであることが多く、不規則な間隔で更新されます。 その他の重要な制限には、疑わしい患者の機密保持とデータの所有権が含まれます。 現在、市販のモニターも研究グレードのモニターも、収集された豊富なデータの使用が限られているため、個人レベルで身体活動を評価することはできません。 ウェアラブルがこれらの制限を克服できれば、患者固有の対策の臨床レパートリーを拡大する上で大きな期待があり、精密医療と個別化医療の将来にとって重要なツールとみなされます。 事前の有効性の証明なしに市場に参入する新しいウェアラブル PA トラッカーが数多く存在することを考慮すると、優れた有効性と信頼性を備えたオープンソースの証拠に基づくウェアラブルを消費者、患者、医療専門家、研究者に提供することが基本です。

目的と目的 このプロジェクトでは、これらの制限を克服するために、商用ウェアラブルの長所と研究グレードのモニターおよび最新のデータ処理方法の長所を融合し始めます。 加速度測定 (生体力学) と光学センサーからの心拍数 (生理学的反応) からの情報を組み合わせることで、PA 強度と身体活動に関連するエネルギー消費に関する個人レベルでの予測が向上します [13]。 さらに、ウェアラブルに取り付けられた光学センサーは個人の血圧を推定することもできます。 センサーからの信号は、収集された豊富なデータをより有効に活用するために、人工知能と機械学習を使用して分析されます。 通常、PA と健康の結果は異なる時点で測定されますが、ウェアラブルは複数の変数から同時にリアルタイムでデータを収集できます。 この能力は、身体活動行動と個人の臨床状態との間の関連性についての新たな詳細を提供する可能性がある。 これはまだ研究されていませんが、これはおそらくこれらのデータの取得と分析が複雑であるためです。 しかし、この分野は現在、処理能力と分析ツールを備えたテクノロジーが存在する段階に移行しています。 したがって、身体活動の行動、健康関連の結果、人工知能に関するリアルタイム データを組み合わせる可能性を最大限に検討する時期が来ています。 そのため、将来的には、国民がデバイスベースのサービスを通じて健康を改善および維持し、個人の健康データに基づいて情報に基づいた意思決定を行うことができるようになります。

DIWAH の包括的な目的は、オープンソースのウェアラブルを使用して医療システム内で使用するために、個人レベルで身体活動と健康関連の変数をリアルタイムで評価する人工知能/機械学習ベースのアルゴリズムを開発および検証することです。

このプロジェクトでは、透明なフェーズベースのフレームワークを使用してアルゴリズムの厳密な開発と検証を行うことで最初のステップを踏みます。 より具体的には、以下を評価するためのアルゴリズムを開発することを目指しています。

• 身体活動
• 心拍数
• 血圧やエネルギー消費などの健康関連の変数 また、年齢、性別、体組成、健康関連のフィットネスレベルなど、予測を改善する根本的な要因を特定することも試みます。

プロジェクトの説明 研究サンプル このプロジェクトには、一見健康な成人約 50 名 (18 ～ 65 歳、50% 女性) を採用します。 募集は簡易サンプリング方式で行われます。 スポーツクラブや職場、大学の学生などに口コミとともにアプローチしていきます。

被験者が明らかに健康で、少なくとも 30 分間ジョギングできることを除いて、研究に含めるべき特別な要件はありません。 除外基準には、既知の心血管疾患や心拍数に影響を与える薬剤を服用していることが含まれます。

研究デザイン すべてのウェアラブルのハードウェアが類似していることを考慮すると、Keadle らが概説したフレームワークに従って、可能な限り透明なアルゴリズムを開発することに重点が置かれています。 [14] と同時に、HR モニタリングに関する INTERLIVE Network の専門家の推奨事項を遵守します [15]。 Keadle フレームワークは医薬品開発からインスピレーションを得ており、機械的信号テスト、臨床検査、半構造化評価、自然主義的検証、採用という 5 つのフェーズを提案しています。 これらのフェーズすべては、現在のプロジェクトではカバーされません。 半構造化評価フェーズは、ランニングや掃除機をかけるなど、ウェアラブルのセンサーからの信号に基づいて特定のアクティブを識別するように設計されています。 しかし、生理学的反応、つまり身体活動による健康への影響は、同じ強度の異なる種類の活動でも同様です。 たとえば、心臓が同じ強度で働いているのであれば、走っていても雪かきをしていてもあまり気にしません。 さらに、デバイスが有効なデータを提供することを確認する前に、患者集団でデバイスをテストする（フェーズ 5 - 導入）ことが倫理的に動機付けられるとは考えていません。 したがって、現在のプロジェクトでは、半構造化評価フェーズと採用フェーズは省略されます。

フェーズ 1 - 製品開発 市場に出ているすべてのウェアラブルでハードウェアが類似していることを考えると、アルゴリズムの開発とテストにウェアラブルのどのブランドが正確に使用されるかは重要ではありません。 最初のフェーズの主なアイデアは、ウェアラブルが有効なデータを生成し、未処理の生データに簡単にアクセスできるようにすることです。 この目的を達成するために、身体活動 (加速度計)、HR (光学センサー)、健康関連変数の評価要件を満たし、Bluetooth を使用して外部デバイスと無線通信できるハードウェアを備えた 2 つのオープンソース ウェアラブル、すなわち Bangle を特定しました。 .js 2 (https://www.espruino.com/Bangle.js2) そしてパインタイム (https://www.pine64.org/pinetime/)。 また、データをデバイスにローカルに保存し、フェーズ 2 で収集されたデータをさらに処理および分析するために外部デバイスに簡単に転送できるアプリも作成しました。フェーズ 2 の結果に基づいて、実行する前に次のことが必要です。フェーズ 3 - 自然主義的検証。ウェアラブルのメモリ容量では、そのフェーズ中に収集される膨大な量の生データを保存できないため、前処理方法を開発します。 したがって、このフェーズはプロジェクト全体の進行中の部分となります。

フェーズ 2 - 実験室開発 フェーズ 2 研究の目標は、制御された実験室条件下でウェアラブル信号から身体活動の強度、身体活動のエネルギーコスト、血圧を推定するアルゴリズムを開発およびテストすることです。 さらに、予測の精度を高める可能性のある潜在的な予測因子を特定します。 このアイデアは、休憩からウォーキング、そして疲労困憊するまで速度を上げて走るまでのプロトコル中に、ウェアラブル データが基準測定と同時に収集されるというものです。 プロトコール中、間接熱量測定 (Vyntus CPX、Vyaire Medical, Inc.、イリノイ州、米国) および胸の周囲に取り付けられた心拍数モニター (Polar Electro Oy、ケンペレ、フィンランド) を使用してモニタリングされます。これは、適切な心電図と完全に比較できます。 (r>0.99 [16])、ウェアラブル、研究グレードの加速度計 (Actigraph GT3+、Actigraphcorp、米国フロリダ州ペンサコーラ) および商用ウェアラブル (Fit-Bit Sense、Fitbit international Limited、アイルランド、ダブリン) を同時に装着します。 この手順では、個人レベルでの安静時から最大限の努力に至るまで、さまざまな身体活動強度でウェアラブルから継続的な信号を捕捉します。 これにより、そのシグナルをグループおよび個人レベルでモデル化し、間接熱量測定および HR モニタリングの黄金標準方法と比較することが可能になります。 また、標準的な臨床モニターを使用して血圧データを収集し、光信号と血圧計の信号を比較します。

このプロジェクトの範囲内で、確立された健康関連のフィットネステストもいくつか実施する予定です。 筋力の場合はハンドグリップテストが使用され、柔軟性の場合はシットアンドリーチテストが使用されます[17]。 また、タイムアップ・アンド・ゴーテスト（TUG）も実施される[18]。 参加者の年齢、性別、体組成などの背景データも収集します。 これらのテストは、個人の身体活動レベルを予測する可能性を探るために使用されます。 このフェーズの成果は、歩数をカウントし、バックグラウンド データで強化された加速度計、光学センサー、この 2 つの組み合わせを使用して身体活動の強度を検出する一連のモデルです。 また、安静時にウェアラブルを使用して血圧を評価するモデルの開発も期待されています。

フェーズ 3 - 自然主義的検証 プロジェクトの第 3 フェーズの目標は、ゴールドスタンダードの基準と比較して、現実世界の条件でアルゴリズムの厳密で独立した検証を実施することです。 したがって、制御された環境でアルゴリズムを開発した後、自由生活中のウェアラブルのテストに進みます。 第2段階と同じ50人の参加者（50％が女性、18～65歳）は、二重標識水（DLW）を摂取します。これは、自由生活中のエネルギー消費を測定するための黄金基準であり、誤差は±3％以内です。呼吸室によって測定された真の値[19]。 DLW 法がゴールデンスタンダードであっても、被験者の体内水を重水素 (2H) と重酸素 (18O) で濃縮し、ウォッシュアウト速度の違いを測定する高価な方法であるため、あまり使用されません。これは、特殊な装置を使用した二酸化炭素の生成、つまりエネルギー消費の関数です。

DLW 動力学に基づいて、プロトタイプのウェアラブルからの信号をモデル化して、最適な適合性、つまり、プロトタイプが身体活動に関連するエネルギー消費をどの程度評価しているかを見つけることができます。 この段階の成果は、ウェアラブルによって提供される情報に基づいて、自由な生活条件でのエネルギー消費を評価するモデルになることが期待されています。 また、フェーズ 2 で提供された情報に基づいて、参加者の身体活動レベルを決定することも目指しています。

データ分析と統計 このプロジェクトのすべての段階で、人工知能の力、具体的にはさまざまな機械学習技術を利用して、身体活動、エネルギー消費、血圧のさまざまな側面を個人レベルで予測します。 機械学習はデータセットに基づいてモデルを自動的に作成し、人間の介入なしにリアルタイムで意思決定を制御する正確な予測を生成できる可能性があります。 ウェアラブルは、加速度センサーと光学センサーの両方から高周波の生データ サンプリングを提供します。 このデータを機械学習に使用すると、身体活動を間接的に測定し、健康的な身体活動レベルを個別にアドバイスする良い機会が得られます。 いくつかの研究では、手首に装着した加速度計によって収集された加速度計データから有意義な身体活動の結果を導き出そうと試みています[20-22]。 機械学習に基づく研究は、座る、立つ、歩く、走るなどの身体活動の種類、または座りがち、軽い、中程度、激しいなどの身体活動の強度の分類を目的としています。 彼らは、活動タイプについては >80% の分類精度 [23-26]、強度については >90% の分類精度であると報告しています [27、28]。 これらの研究のほとんどは、ラベル付きデータを使用した教師あり機械学習アプローチを使用しています。つまり、ランダム フォレスト [29-31]、サポート ベクター マシン [26]、人工ニューラル ネットワーク [32]、深層学習モデル [ 33、34]。 隠れセミマルコフ モデル [31、35] や K-means クラスタリング [36] など、教師なし機械学習モデルを使用する研究はほとんどありません。 ここでは、ラベル付きデータを含むデータセットを作成する機会があります。 ただし、このプロジェクトの包括的な目標は、ウェアラブルの個々のユーザーに適応できるウェアラブルを開発することであるため、学習アプローチはラベルのないデータも処理できなければなりません。 この問題にアプローチするには、強化学習を使用します [37、38]。 最後に、モデルを強化するために使用する機能テストなど、いくつかの背景変数も収集しています。 加速度計と心拍数から身体活動の強度、頻度、レベルを予測するために最もパフォーマンスの高いモデルを特定し、それをエネルギー消費と血圧の予測に使用します。 最高のパフォーマンスとは、精度と説明可能性の両方を指し、これら 2 つの側面においては、さまざまなアプローチが優れていることが期待されます。 さらに、身体活動のより正確な測定と、加速度計からの時系列データを使用したその正確な予測に基づいて、身体活動の時点の予測因子としての機能テストの可能性を再評価します。

参考文献

1. 世界保健機関。 身体活動と座りっぱなしの行動に関するガイドライン 2020。
2. Wright, S. P.、Hall Brown, T. S.、Collier, S. R.、Sandberg, K. 消費者向け身体活動モニターが人間の生理学研究をどのように変えることができるか。 Am J Physiol Regul Integr Comp Physiol 312、R358-R367。 issn: 1522-1490 (電子) 0363-6119 (リンク) (3 月 2017）。
3. ホサニー、M.、チャン、G.、ウェリクホロワ、K.、クーパー、R.、キリアク、P.A.、鄭、D.、アレン、J.、アボット、D.、メノン、C.、ラベル、NH、ハワード、 N.、Chan、W.S.、Lim、K.、Fletcher、R.、Ward、R.、および Elgendi、M. 血圧モニタリングのためのカフレス単一部位光電脈波計。 J Clin Med 9. issn: 2077-0383 (印刷版) 2077-0383 (電子版) 2077-0383 (リンク) (Mar. 2020年）。
4. Aromatario, O.、Van Hoye, A.、Vuillemin, A.、Foucaut, A.M.、Crozet, C.、Pommier, J.、Cambon, L. モバイルヘルスアプリケーションは行動の変化をどのようにサポートしますか? 身体活動と食事行動に関連するモバイルヘルスアプリケーションの範囲レビュー。 公衆衛生 175、8-18。 issn: 1476-5616 (電子) 0033-3506 (リンク) (10 月 2019）。
5. Bayoumy, K.、Gaber, M.、Elshafeey, A.、Mhaimeed, O.、Dineen, E.H.、Marvel, F. A.、Martin, S. S.、Muse, E. D.、Turakia, M. P.、Tarakji, K. G. & Elshazly, M. B. スマート ウェアラブル デバイス心臓血管ケアにおける私たちの現状と今後の進め方。 ナット牧師カーディオール。 issn: 1759-5010 (電子) 1759-5002 (リンク) (3 月 2021）。 6. Bondaronek, P.、Alkhaldi, G.、Slee, A.、Hamilton, F.L.、Murray, E. 公開されている身体活動アプリの品質: レビューとコンテンツ分析。 JMIR Mhealth Uhealth 6、e53。 issn: 2291-5222 (印刷) 2291-5222 (リンク) (3 月 2018）。

7. Greiwe, J. & Nyenhuis, S.M. ウェアラブル技術とこれを臨床実践にどのように実装できるか。 カーアレルギー喘息担当者 20、36。 issn: 1534-6315 (電子) 1529-7322 (リンク) (2020 年 6 月)。

8. Peake, J.M.、Kerr, G. & Sullivan, J.P. 身体的に活動的な人々にバイオフィードバックを提供し、ストレスと睡眠をモニタリングするための消費者向けウェアラブル、モバイル アプリケーション、および機器に関する批判的レビュー。 フロントフィジオール 9、743。 issn: 1664-042X (印刷) 1664-042X (リンク) (2018)。

9. Bergman, P. 個人の習慣的な身体活動を所定の精度で推定するために必要な反復観察の回数。 PloS One 13、e0192117。 issn: 1932-6203 (電子) 1932-6203 (リンク) (2018)。

10. Bergman, P. & Hagstromer, M. 加速度計ベースの身体活動データ収集プロトコルがすべての研究課題に適合するわけではありません。 BMC 医学研究方法論 20、141。 issn: 1471-2288 (電子) 1471-2288 (リンク) (2020 年 6 月)。

11. ジェンセン、M.T.、トレスケス、R.W.、カイアニ、E.G.、カサド・アロヨ、R.、カウィー、M.R.、ディラベリス、P.、ダンカー、D.、ディ・リエンツォ、M.、フレデリックス、I.、デ・グルート、N .、Kolh、P. H.、Kemps、H.、Mamas、M.、McGreavy、P.、Neubeck、L.、Parati、G.、Platonov、P. G.、Schmidt-Trucksäss、A.、Schuuring、M. J.、Simova、I. 、Svennberg, E.、Verstrael, A. & Lumens, J. 電子心臓学ポジションペーパーに関する ESC ワーキンググループ: 一次および二次心血管予防における心拍数と活動追跡のための市販のウェアラブル技術の使用 - ヨーロッパ心臓との協力リズム協会、欧州予防心臓病協会、心臓血管看護および関連専門家協会、患者フォーラム、およびデジタルヘルス委員会。 ヨーロッパの心臓ジャーナル。 デジタルヘルス 2、49-59。 isn: 2634-3916

(3月1日 2021）。 出版する。 12. Wong, C. K.、Mentis, H.M. & Kuber, R. ビットが合わない: より遅い歩行速度での商用活動追跡装置の評価。 歩行姿勢 59、177-181。 issn: 1879-2219 (電子) 0966-6362 (リンク) (1 月 2018）。

13. Brage, S.、Brage, N.、Franks, P. W.、Ekelund, U.、Wong, M. Y.、Andersen, L. B.、Froberg, K. & Wareham, N. J. 同時加速度計と心拍数モニタリングの分岐方程式モデリングにより、身体活動のエネルギー消費量を直接測定します。 J Appl Physiol (1985) 96、343-51。 issn: 8750-7587 (印刷) 0161-7567 (リンク) (1 月 2004年）。

14. Keadle, S. K.、Lyden, K. A.、Strath, S. J.、Staudenmayer, J. W. & Freedson, PS. 物理的動作を評価するデバイスを評価するためのフレームワーク。 Exerc Sport Sci Rev 47、206-214。 issn: 1538-3008 (電子) 0091-6331 (リンク) (10 月 2019）。

15. Muhlen, J.M.、Stang, J.、Lykke Skovgaard, E.、Judice, P. B.、Molina-Garcia, P.、Johnston, W.、Sardinha, L. B.、Ortega, F. B.、Caulfield, B.、Bloch, W. 、Cheng, S.、Ekelund, U.、Brond, J. C.、Grontved, A. & Schumann, M. 消費者向けウェアラブル心拍数デバイスの有効性を判断するための推奨事項: INTERLIVE ネットワークの専門家の声明とチェックリスト。 Br J スポーツ医学。 issn: 1473-0480 (電子) 0306-3674 (リンク) (1 月 2021）。

16. Gillinov, S.、Etiwy, M.、Wang, R.、Blackburn, G.、Phelan, D.、Gillinov, A.M.、Houghtaling, P.、Javadikasgari, H. & Desai, M. Y. ウェアラブル心拍数の可変精度有酸素運動中のモニター。 スポーツと運動における医学と科学 49、1697-1703。 issn: 1530-0315 (2017 年 8 月 8 日)。 出版する。

17. Oja, P. & Tuxworth, B. 大人向けユーロフィット。 健康関連のフィットネスの評価。 ストラスブール: 欧州評議会-UKK研究所、タンペレ。 （1995年）。

18. Podsiadlo, D. & Richardson, S. 時間制限のある「Up & Go」: 虚弱な高齢者のための基本的な機能的可動性のテスト。 J Am Geriatr Soc 39、142-8。 issn: 0002-8614 (印刷) 0002-8614 (リンク) (2 月 1991年）。

19. Westerterp, K. R. エネルギー消費に関する二重ラベルの水評価: 原則、実践、約束。 Eur J Appl Physiol 117、1277-1285。 issn: 1439-6327 (電子) 1439-6319 (リンク) (2017 年 7 月)。

20. Arvidsson, D.、Fridolfsson, J. & Borjesson, M. 加速度計を使用した臨床現場での身体活動の測定。 J Intern Med 286、137-153。 issn: 1365-2796 (電子) 0954-6820 (リンク) (8 月 2019）。

21. Liu, F.、Wanigatunga, A. A. & Schrack, J. A. 手首加速度計を使用した成人の身体活動の評価。 エピデミオール Rev 43、65-93。 issn: 1478-6729 (電子) 0193-936X (リンク) (1 月 2022年）。

22. Rastogi, T.、Backes, A.、Schmitz, S.、Fagherazzi, G.、van Hees, V. & Malsoux, L. 加速度計の生の時系列データを使用して身体活動行動を評価するための高度な分析手法: のプロトコルスコーピングレビュー。 システム改訂 9、259。 issn: 2046-4053 (電子) 2046-4053 (リンク) (11 月 2020年）。

23. Garatachea, N.、Torres Luque, G. & Gonzalez Gallego, J. 高齢者の加速度計を使用した身体活動とエネルギー消費の測定。 ニュートル病院 25、224-30。 issn: 0212-1611 (印刷) 0212-1611 (リンク) (4月 2010）。

24. Heesch, K.C.、Hill, R.L.、Aguilar-Farias, N.、van Uffelen, J.G.Z. & Pavey, T.

高齢者の座りっぱなし行動を測定するための客観的方法の妥当性: 系統的レビュー。 Int J Behav Nutr Phys Act 15、119。 issn: 1479-5868 (電子) 1479-5868 (リンク) (11 月 2018）。

25. Phillips, L.J.、Petroski, G.F. & Markis, N.E. 高齢者における加速度計の精度の比較。 Res Gerontol Nurs 8、213-9。 issn: 1938-2464 (電子) 1938-2464 (リンク) (10 月) 2015）。

26. Sheng, B.、Moosman, O.M.、Del Pozo-Cruz, B.、Del Pozo-Cruz, J.、Alfonso-Rosa, R.M. & Zhang, Y. 身体活動を分類するためのさまざまな機械学習アルゴリズム、アクティビティ モニターの種類と配置の比較。 測定 154、107480 (2020)。

27. モントーイ、A. H. K.、ピヴァルニク、J. M.、マッド、L. M.、ビスワス、S.、ファイファー、K. A.

身体活動と座りっぱなしの行動を測定するために腰、太もも、手首に装着される加速度計の検証と比較。 AIMS 公衆衛生 3、298-312。 issn: 2327-8994 (印刷) 2327-8994 (リンク) (2016)。

28. Montoye, A. H. K.、Westgate, B. S.、Fonley, M. R. & Pfeiffer, K. A. 手首に装着する加速度計を使用した身体活動強度予測の相互検証およびサンプル外テスト。 J Appl Physiol (1985) 124、1284-1293。 issn: 1522-1601 (電子) 0161-7567 (リンク) (2018 年 5 月)。

29. Ahmadi, M. N.、Chowdhury, A.、Pavey, T. & Trost, S. G. 未就学児のエネルギー消費推定のための研究室ベースの自由生活アルゴリズム: 自由生活の評価。 PloS One 15、e0233229。 issn: 1932-6203 (電子) 1932-6203 (リンク) (2020)。

30. Stewart, T.、Narayanan, A.、Hedayatrad, L.、Neville, J.、Mackay, L. & Duncan, S. 子供と大人の身体活動を分類するためのデュアル加速度計システム。 スポーツと運動における医学と科学 50、2595-2602。 issn: 1530-0315 (電子) 0195-9131 (リンク) (12 月 1 日) 2018）。

31. Willetts, M.、Hollowell, S.、Aslett, L.、Holmes, C. & Doherty, A. 96,220 人の英国バイオバンク参加者のセンサー データからの睡眠と身体活動の表現型の統計的機械学習。 Sci Rep 8、7961。 issn: 2045-2322 (電子) 2045-2322 (リンク) (2018 年 5 月)。

32. ナラヤナン、A.、デサイ、F.、スチュワート、T.、ダンカン、S.、マッケイ、L. 人間の運動行動を特徴付けるための生の加速度計データと機械学習技術の適用: 系統的なスコーピング レビュー。 身体活動と健康ジャーナル 17、360-383 (2020)。

33. Galán-Mercant, A.、Ortiz, A.、Herrera-Viedma, E.、Tomas, M. T.、Fernandes, B. & Moral-Munoz, J. A. 畳み込みニューラル ネットワークを使用した身体活動と機能的フィットネス レベルの評価。 知識ベースのシステム 185 (2019)。

34. Hamid, A.、Duncan, M.J.、Eyre, E.L.J.、Jing, Y. ディープラーニングとウェアラブルセンサーデータを使用して、身体活動中の子供のエネルギー消費を予測。 Eur J Sport Sci 21、918-926。 issn: 1536-7290 (電子) 1536-7290 (リンク) (2021 年 6 月)。

Van Kuppevelt, D.、Heywood, J.、Hamer, M.、Sabia, S.、Fitzsimons, E. & van Hees, V. 教師なし機械学習による日常生活からの加速度計データのセグメント化。 PloS One 14、e0208692。 issn: 1932-6203 (電子) 1932-6203 (リンク) (2019)。

36. Jones, P. J.、Catt, M.、Davies, M. J.、Edwardson, C. L.、Mirkes, E.M.、Khunti, K.、Yates, T. & Rowlands, A. V. 加速度計データの身体活動クラスターの教師なし機械学習のための特徴選択 - 系統的レビュー。 歩行姿勢 90、120-128。 issn: 1879-2219 (電子) 0966-6362 (リンク) (10 月 2021）。

37. Hochberg, I.、Feraru, G.、Kozdoba, M.、Mannor, S.、Tennenholtz, M. & Yom-Tov, E. 強化学習による自動個別フィードバックによる糖尿病患者の身体活動の促進により血糖コントロールが改善。 糖尿病ケア 39、e59-60。 issn: 1935-5548 (電子) 0149-5992 (リンク) (4 月 2016）。

38. Wijkman、M.、Carlsson、M.、Darwiche、G.、Nystrom、F.H. 遠隔医療治療アプローチを使用した高血圧管理のパイロット研究。 ブラッドプレスモニト25、18-21。 issn: 1473-5725 (電子) 1359-5237 (リンク) (2 月 2020年)